计算一组字符的重复次数

Question

我有一个包含以下字符串的 .fa 文件：

NP_009339.1 NP_009339.1 glutamate dehydrogenase (NADP(+)) GDH3
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAXXX
XXBBBBBBBBBBBBBBBBBXXXXXBBBBBBBBBBBBBBBBBBBBBBBBBBBBBXXX XX

gi|10383797|ref|NP_009965.2| Rbk1p [Saccharomyces cerevisiae S288c]
AAAAAAAAAAAAAAAAAAAAAAAXXXXAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAXXX
XBBBBBBBBBBBBBBBBBBBXX XXBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

[请注意，在第一个序列的第一行末尾，XXXXX 拉伸由 return 分隔，第二行 XXXXX 由空格分隔，我也希望计算它们。] 任何人都可以帮我找到/打印此文件中存在的 XXXXX 段数并在 output.fa 上打印整个序列。用“chomp”来忽略/空白已经筋疲力尽了。

这是我的脚本：

#!/usr/bin/perl
use warnings;
use strict;    
open my $fh , '<' , 'input.fa' or die 'Cannot open file';
my $Count_XXXXX=0;
while (<$fh>){
chomp;
$Count_XXXXX+=s/X{5}//g;
}
close $fh;
print "\nTotal no of repeats:".$Count_XXXXX."\n";

Answer 1

最简单的方法是去掉空格，如果这是你想要的。以下以段落模式输入您的序列，然后处理 $data：

use strict;
use warnings;

local $/ = "\n\n";

while (<DATA>) {
    chomp;
    my ($label, $data) = split "\n", $_, 2;
    $data =~ s/\s+//g;

    my $count = () = $data =~ m/X{5,}/g;

    print "$count\n";
}

__DATA__
NP_009339.1 NP_009339.1 glutamate dehydrogenase (NADP(+)) GDH3
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAXXX
XXBBBBBBBBBBBBBBBBBXXXXXBBBBBBBBBBBBBBBBBBBBBBBBBBBBBXXX XX

gi|10383797|ref|NP_009965.2| Rbk1p [Saccharomyces cerevisiae S288c]
AAAAAAAAAAAAAAAAAAAAAAAXXXXAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAXXX
XBBBBBBBBBBBBBBBBBBBXX XXBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

输出：

3
0

---

更新

要捕获所有匹配项，只需将正则表达式的结果分配给数组即可：

my $count = my @matches = $data =~ m/X{5,}/g;

注意，我故意让匹配拉出 5 个或更多 X，因为我假设连续 10 个 X 应计为单个匹配，而不是 2 个匹配。